CN115880916A - 一种基于行为模型的道路交通事故检测方法 - Google Patents
一种基于行为模型的道路交通事故检测方法 Download PDFInfo
- Publication number
- CN115880916A CN115880916A CN202211490654.8A CN202211490654A CN115880916A CN 115880916 A CN115880916 A CN 115880916A CN 202211490654 A CN202211490654 A CN 202211490654A CN 115880916 A CN115880916 A CN 115880916A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- camera
- vehicles
- information
- traffic accident
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开的属于道路交通管理技术领域,具体为一种基于行为模型的道路交通事故检测方法,包括如下步骤:将安装该摄像头的道路信息输入摄像头的处理器控制面板内,并通过摄像头对路面的分割线进行识别,并实时获取道路的行人以及车辆的流动信息;本发明通过数据整理模块对摄像头获取违规机动车以及非机动车的信息、非机动车骑行人员以及违规行人的面部信息进行捕捉的信息进行整理后通过交换机传输至电警终端服务器,通过云端处理器对视频进行识别,并将违规的信息反馈至电警终端服务器;将数据传输至违规路口的显示器上进行公布,对后续车辆起警示作用,从而减少违规造成交通事故的概率。
Description
技术领域
本发明涉及道路交通管理技术领域,具体为一种基于行为模型的道路交通事故检测方法。
背景技术
随着城市道路的快速发展和居民汽车保有量的逐步提高,人们在享受汽车带来的舒适体验的同时也饱受各种交通事故的困扰。交通事故不仅威胁当事人的生命安全,还会影响道路上其他车辆正常通行。发生事故后车辆的定责也成为一大难题。在交通监督管理***中,精准地识别道路上发生的交通事故可以减小相关人员的伤亡和财产损失,因此检测道路交通事故具有重要意义。
目前基于视频的交通事故检测方法主要利用视频帧的图像金字塔,构建光流场。从光流场中计算速度流、加速度流等信息再通过设定阈值判断是否发生交通事故。还有学者利用Faster-RCNN检测车辆,在连续帧中判断车辆是否静止,根据车辆停止时间粗略估计是否该车发生异常事故。此外还有直接计算车辆速度,根据车速是否发生异常来判断是否发生交通事故的方法。
现有的方法中直接利用图像金字塔计算光流场的方法在车辆较多时无法准确计算各个车辆的速度,速度流只能对视频场景中的车辆进行大致估计。同时,根据人工设定的阈值判断是否发生交通事故的方法严重依赖主观想法,在实际应用中不具有灵活性。
判断车辆是否停止和计算停止时间判断是否发生交通事故的方法同样需要设定车辆最长停止时间。在实际道路上,堵车或等待转弯等情况下这类方法很可能会发生误报,因此对交通事故的识别不够准确。
对于统计车速,根据车速判断是否发生交通事故的方法,准确度依然不高,主要原因在于只利用了瞬时车速这一单一信息,无法充分反映车辆在一段时间的行驶状况;
现有的专利授权公告号为:CN113378803B,公开了一种交通事故检测方法,具体包括,首先输入视频帧,识别视频中的车辆,计算车辆速度、车辆加速度和车头朝向角;其次,将车辆速度、车辆加速度和车头朝向角的时域信号转换为时频信号;再其次,将时频图输入至Resnet50网络中进行训练;最后,提取特征,根据车辆速度、车辆加速度和车头朝向角时频图特征和正常情况下的车辆速度、车辆加速度和车头朝向角时频图特征对比,判断交通事故的发生。解决了现有技术中存在的道路交通事故检测效果不稳定、识别效果不精准的技术问题。实现了对道路交通事故的精准判断,本发明适用性更强,泛化能力更强。
但是上述技术方案是预判相对车辆之间的交通事故预警模拟,无法对同向的车辆之间进行预测,同向车辆之间存在着变道不打转向灯或者连续变道、车辆未按规定开灯、闭灯,例如在夜间未打开灯光以及违规使用眼光灯,等等,缩小了适用的范围,影响了使用的效率。
为此,我们发明一种基于行为模型的道路交通事故检测方法。
发明内容
鉴于上述和/或现有一种基于行为模型的道路交通事故检测方法中存在的问题,提出了本发明。
因此,本发明的目的是提供一种基于行为模型的道路交通事故检测方法,能够解决上述提出现有是预判相对车辆之间的交通事故预警模拟,无法对同向的车辆之间进行预测,同向车辆之间存在着变道不打转向灯或者连续变道、车辆未按规定开灯、闭灯,例如在夜间未打开灯光以及违规使用眼光灯,等等,缩小了适用的范围,影响了使用的效率的问题。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于行为模型的道路交通事故检测方法,其包括:如下步骤:
S1:将安装该摄像头的道路信息输入摄像头的处理器控制面板内,并通过摄像头对路面的分割线、路面标识、红绿灯信号进行识别,并实时获取道路的行人以及车辆的轨迹信息;
S2:通过数据整理模块对摄像头获取的视频信息进行整理后通过交换机传输至电警终端服务器,通过电警终端服务器将数据传输至云端处理器,通过云端处理器对视频进行识别,并将违规的信息反馈至电警终端服务器;
S3:通过电警终端服务器将违规的信息进行发布,将数据传输至违规路口的显示器上,进行公布,对后续车辆起警示作用,从而减少违规造成交通事故的概率。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:在通过接收所述摄像头通过交换机传回的视屏数据的同时,获取红绿灯以及该路口匝道的信息,与传回的视屏数据相匹配,为后续的违规判断提供时间和路口红绿指示灯的指示数据依据。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:通过所述摄像头对变道的车辆进行捕捉,同时对变道的车辆是否打开转向灯进行识别捕捉,同时对其是否连续变道进行捕捉判断。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:通过所述摄像头对加塞的车辆进行捕捉,对夜间未开灯以及违规使用远光灯的车辆进行捕捉。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:通过所述摄像头对非机动车闯红灯、非机动车逆行以及非机动车未戴头盔进行捕捉,并对驾驶非机动车的骑行人员的脸部数据进行捕捉。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:通过所述摄像头对行人闯红灯的行人脸部数据进行采集,以及机动车未礼让行人的车辆进行捕捉。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:对捕捉的违规车辆的车辆信息、时间标签以及移动速度进行采集。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:通过摄像头捕捉的违规视频信息通过与摄像头电性连接的交换机传输至电警中端服务器。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:对所述摄像头输入视频帧,识别视频中的车辆,计算车辆速度、车辆加速度和车头方向角;具体包括:识别视频帧中的车辆,输出车辆检测框;在连续帧中跟踪车辆位置,得到连续帧中同一车辆移动的检测框;以检测框为车辆中心,计算两帧之间车辆移动的像素距离;计算车辆速度和车辆加速度;根据检测框的角判断车头方向角度。
作为本发明所述的一种基于行为模型的道路交通事故检测方法的一种优选方案,其中:将车辆速度、车辆加速度和车头方向角的时域信号转换为时频图;将时频图输入至Resnet50网络中进行训练;准备训练数据,选定Q条道路,再选定道路上的不同角度的多个时间段视频数据,并将视频数据分割成一分钟的视频数据;将分割后的每个视频经过处理得到时频图数据集;将时频图数据集分为训练集和验证集;计算特征向量的距离λ,特征向量距离λ为验证集和训练集的特征向量最大距离;S4根据车辆速度、车辆加速度和车头方向角的时频图特征和正常情况下的车辆速度、车辆加速度和车头方向角的时频图特征对比,判断交通事故的发生。
与现有技术相比:
通过数据整理模块对摄像头获取违规机动车以及非机动车的信息、非机动车骑行人员以及违规行人的面部信息进行捕捉的信息进行整理后通过交换机传输至电警终端服务器,通过电警终端服务器将数据传输至云端处理器,通过云端处理器对视频进行识别,并将违规的信息反馈至电警终端服务器;通过电警终端服务器将违规的信息进行发布,将数据传输至违规路口的显示器上,进行公布,对后续车辆起警示作用,从而减少违规造成交通事故的概率。
附图说明
图1为本发明电路流程图;
图2为本发明方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于行为模型的道路交通事故检测方法,具有扩大适用范围、提高检测效率的优点,请参阅图1-2,包括如下步骤:
S1:将安装该摄像头的道路信息输入摄像头的处理器控制面板内,并通过摄像头对路面的分割线、路面标识、红绿灯信号进行识别,并实时获取道路的行人以及车辆的轨迹信息;
S2:通过数据整理模块对摄像头获取的视频信息进行整理后通过交换机传输至电警终端服务器,通过电警终端服务器将数据传输至云端处理器,通过云端处理器对视频进行识别,并将违规的信息反馈至电警终端服务器;
S3:通过电警终端服务器将违规的信息进行发布,将数据传输至违规路口的显示器上,进行公布,对后续车辆起警示作用,从而减少违规造成交通事故的概率。
在通过接收所述摄像头通过交换机传回的视屏数据的同时,获取红绿灯以及该路口匝道的信息,与传回的视屏数据相匹配,为后续的违规判断提供时间和路口红绿指示灯的指示数据依据。
通过所述摄像头对变道的车辆进行捕捉,同时对变道的车辆是否打开转向灯进行识别捕捉,同时对其是否连续变道进行捕捉判断。
通过所述摄像头对加塞的车辆进行捕捉,对夜间未开灯以及违规使用远光灯的车辆进行捕捉。
通过所述摄像头对非机动车闯红灯、非机动车逆行以及非机动车未戴头盔进行捕捉,并对驾驶非机动车的骑行人员的脸部数据进行捕捉。
通过所述摄像头对行人闯红灯的行人脸部数据进行采集,以及机动车未礼让行人的车辆进行捕捉。
对捕捉的违规车辆的车辆信息、时间标签以及移动速度进行采集。
通过摄像头捕捉的违规视频信息通过与摄像头电性连接的交换机传输至电警中端服务器。
对所述摄像头输入视频帧,识别视频中的车辆,计算车辆速度、车辆加速度和车头方向角;具体包括:识别视频帧中的车辆,输出车辆检测框;在连续帧中跟踪车辆位置,得到连续帧中同一车辆移动的检测框;以检测框为车辆中心,计算两帧之间车辆移动的像素距离;计算车辆速度和车辆加速度;根据检测框的角判断车头方向角度。
将车辆速度、车辆加速度和车头方向角的时域信号转换为时频图;将时频图输入至Resnet50网络中进行训练;准备训练数据,选定Q条道路,再选定道路上的不同角度的多个时间段视频数据,并将视频数据分割成一分钟的视频数据;将分割后的每个视频经过处理得到时频图数据集;将时频图数据集分为训练集和验证集;计算特征向量的距离λ,特征向量距离λ为验证集和训练集的特征向量最大距离;S4根据车辆速度、车辆加速度和车头方向角的时频图特征和正常情况下的车辆速度、车辆加速度和车头方向角的时频图特征对比,判断交通事故的发生。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (10)
1.一种基于行为模型的道路交通事故检测方法,其特征在于:包括如下步骤:
S1:将安装该摄像头的道路信息输入摄像头的处理器控制面板内,并通过摄像头对路面的分割线、路面标识、红绿灯信号进行识别,并实时获取道路的行人以及车辆的轨迹信息;
S2:通过数据整理模块对摄像头获取的视频信息进行整理后通过交换机传输至电警终端服务器,通过电警终端服务器将数据传输至云端处理器,通过云端处理器对视频进行识别,并将违规的信息反馈至电警终端服务器;
S3:通过电警终端服务器将违规的信息进行发布,将数据传输至违规路口的显示器上,进行公布,对后续车辆起警示作用,从而减少违规造成交通事故的概率。
2.根据权利要求1所述的一种基于行为模型的道路交通事故检测方法,其特征在于,在通过接收所述摄像头通过交换机传回的视屏数据的同时,获取红绿灯以及该路口匝道的信息,与传回的视屏数据相匹配,为后续的违规判断提供时间和路口红绿指示灯的指示数据依据。
3.根据权利要求2所述的一种基于行为模型的道路交通事故检测方法,其特征在于,通过所述摄像头对变道的车辆进行捕捉,同时对变道的车辆是否打开转向灯进行识别捕捉,同时对其是否连续变道进行捕捉判断。
4.根据权利要求3所述的一种基于行为模型的道路交通事故检测方法,其特征在于,通过所述摄像头对加塞的车辆进行捕捉,对夜间未开灯以及违规使用远光灯的车辆进行捕捉。
5.根据权利要求4所述的一种基于行为模型的道路交通事故检测方法,其特征在于,通过所述摄像头对非机动车闯红灯、非机动车逆行以及非机动车未戴头盔进行捕捉,并对驾驶非机动车的骑行人员的脸部数据进行捕捉。
6.根据权利要求5所述的一种基于行为模型的道路交通事故检测方法,其特征在于,通过所述摄像头对行人闯红灯的行人脸部数据进行采集,以及机动车未礼让行人的车辆进行捕捉。
7.根据权利要求6所述的一种基于行为模型的道路交通事故检测方法,其特征在于,对捕捉的违规车辆的车辆信息、时间标签以及移动速度进行采集。
8.根据权利要求3至7任意一项权利要求所述的一种基于行为模型的道路交通事故检测方法,其特征在于,通过摄像头捕捉的违规视频信息通过与摄像头电性连接的交换机传输至电警中端服务器。
9.根据权利要求8所述的一种基于行为模型的道路交通事故检测方法,其特征在于,对所述摄像头输入视频帧,识别视频中的车辆,计算车辆速度、车辆加速度和车头方向角;具体包括:识别视频帧中的车辆,输出车辆检测框;在连续帧中跟踪车辆位置,得到连续帧中同一车辆移动的检测框;以检测框为车辆中心,计算两帧之间车辆移动的像素距离;计算车辆速度和车辆加速度;根据检测框的角判断车头方向角度。
10.根据权利要求9所述的一种基于行为模型的道路交通事故检测方法,其特征在于,将车辆速度、车辆加速度和车头方向角的时域信号转换为时频图;将时频图输入至Resnet50网络中进行训练;准备训练数据,选定Q条道路,再选定道路上的不同角度的多个时间段视频数据,并将视频数据分割成一分钟的视频数据;将分割后的每个视频经过处理得到时频图数据集;将时频图数据集分为训练集和验证集;计算特征向量的距离λ,特征向量距离λ为验证集和训练集的特征向量最大距离;S4根据车辆速度、车辆加速度和车头方向角的时频图特征和正常情况下的车辆速度、车辆加速度和车头方向角的时频图特征对比,判断交通事故的发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211490654.8A CN115880916A (zh) | 2022-11-25 | 2022-11-25 | 一种基于行为模型的道路交通事故检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211490654.8A CN115880916A (zh) | 2022-11-25 | 2022-11-25 | 一种基于行为模型的道路交通事故检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115880916A true CN115880916A (zh) | 2023-03-31 |
Family
ID=85763981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211490654.8A Pending CN115880916A (zh) | 2022-11-25 | 2022-11-25 | 一种基于行为模型的道路交通事故检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880916A (zh) |
-
2022
- 2022-11-25 CN CN202211490654.8A patent/CN115880916A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11990036B2 (en) | Driver behavior monitoring | |
US6442474B1 (en) | Vision-based method and apparatus for monitoring vehicular traffic events | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
EP3403219A1 (en) | Driver behavior monitoring | |
CN109191829B (zh) | 道路安全监控方法及***、计算机可读存储介质 | |
CN101739809A (zh) | 行人闯红灯自动报警监控*** | |
CN201307337Y (zh) | 行人闯红灯自动报警监控装置 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN111325978A (zh) | 一种高速公路车辆异常行为的全程监测警示***和方法 | |
US20240046787A1 (en) | Method And System For Traffic Clearance At Signalized Intersections Based On Lidar And Trajectory Prediction | |
CN113012436B (zh) | 道路监控方法、装置及电子设备 | |
CN113055649A (zh) | 一种隧道智能视频监控方法、装置、智能终端及存储介质 | |
CN112528759A (zh) | 一种基于计算机视觉的交通违章行为检测方法 | |
CN101349562A (zh) | 车辆行驶偏向的警报方法及装置 | |
CN113033275B (zh) | 基于深度学习的车辆变道不打转向灯分析*** | |
CN112489383A (zh) | 一种基于机器视觉的预防闯红灯事故预警***、方法 | |
CN111899514A (zh) | 一种人工智能的拥堵检测*** | |
CN113870551A (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控*** | |
CN112907979A (zh) | 一种基于多摄像头的机动车违法行驶轨迹跟踪***及方法 | |
CN111291722A (zh) | 一种基于v2i技术的车辆重识别*** | |
CN115662154A (zh) | 一种基于视频监测的智能信号灯*** | |
CN115880916A (zh) | 一种基于行为模型的道路交通事故检测方法 | |
CN113177443A (zh) | 一种基于图像视觉的智能识别道路交通违章的方法 | |
TWI843641B (zh) | 根據交通場景影片自動整理事故發生因素並預測路段事故的方法及電腦裝置、電腦可讀取的記錄媒體 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |